PROYEKSI KESESUAIAN AGROKLIMAT TANAMAN PADI
BERDASARKAN SKENARIO REPRESENTATIVE CONCENTRATION
PATHWAYS (RCP) 4.5 DI PROVINSI JAWA TENGAH
Apriliana Rizqi Fauziyah1, Agus Safril1,2, Munawar Ali1,21
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Jakarta
2
Badan Meteorologi Klimatologi dan Geofisika, Jakarta Email : [email protected]
Abstrak
Kesesuaian budidaya komoditas tanaman tertentu pada suatu daerah sangat erat kaitannya dengan iklim dan kondisi tanah. Perlu dilakukan penelitian tentang perubahan kesesuaian iklim padi sebagai pendukung dalam perencanaan produksi padi dan adaptasi perubahan iklim di masa mendatang sebagai akibat adanya perubahan iklim. Penelitian ini bertujuan untuk mengetahui perubahan kesesuaian agroklimat tanaman padi di provinsi Jawa Tengah menggunakan skenario Representative Concentration Pathways (RCP) 4.5 dengan model MIROC5 skala 20 km. Data model berisi data iklim untuk mensimulasikan kondisi sekarang (present) periode (2006-2015) sebagai informasi baseline dan proyeksi iklim masa depan periode dekat (tahun 2021-2030 dan 2031-2040) yang kemudian digunakan sebagai masukan untuk menghitung model kesesuaian iklim tanaman padi. Data observasi yang digunakan adalah curah hujan dan suhu udara, tipe iklim Oldeman serta data ketinggian sebagai penunjang. Hasil penelitian menunjukan bahwa faktor iklim tidak menjadi hambatan dalam kesesuaian agroklimat padi di Jawa Tengah. Hampir keseluruhan wilayah penelitian sangat sesuai (S1) untuk tanaman padi bahkan hingga periode dekat (tahun 2021-2030 dan 2031-2040) terjadi peningkatan kesesuaian agroklimat di beberapa wilayah penelitian.
Kata kunci : Kesesuaian agroklimat, RCP4.5, perubahan iklim
Abstract
The Suitability of certain crop cultivation at certain place is closely related to the climate and soil conditions. A research is needed on the change of climate suitability as a supporter in paddy rice production planning and adaptation to climate change in the future as a result of climate change. This research aimed to determine change of paddy rice agroclimate suitability in Central Java using Representative Concentration Pathways (RCP) 4.5, model MIROC5, scale of 20 km. Model data contains climate data to simulate present period (2006-2015) as a baseline and near period (2021-2030 and 2031-2040) which is used as an input to calculate of
paddy rice agroclimate suitability. Observation data contains of rainfall and temperature, Oldeman climate types and elevation as additional. The results showed that climatic factors are not an obstacle in the paddy rice agroclimate suitability in Central Java. Almost entire of research area is very suitable for paddy rice (S1), even occurs increasing area on near period (2021-2030 and 2031-2040) at several areas of the research.
1. PENDAHULUAN
Pada dekade terakhir ini, perubahan iklim telah mempengaruhi keberhasilan budidaya pertanian khususnya pada pertumbuhan, perkembangan dan produksi tanaman pangan. Keberhasilan budidaya pertanian dan pengurangan dampak negatif dapat dilakukan dengan menemukan lokasi optimal tanaman. Hal ini menunjukkan bahwa ketidaksesuaian suatu daerah tertentu untuk budidaya komoditas tanaman tertentu sangat erat kaitannya dengan iklim dan kondisi tanah (Joshi dkk, 2011). Tanaman dalam waktu singkat akan menjadi tidak produktif jika tanaman tersebut dipaksa tumbuh di lokasi yang tidak sesuai, kecuali jika dilakukan perbaikan misalnya masukan teknologi (Kandari dkk, 2013).
Indonesia adalah produsen beras terbesar ketiga di dunia dan juga salah satu konsumen beras terbesar di dunia. Ironisnya, Indonesia kini lebih menggantungkan kebutuhan pangan melalui proses impor. Bagi Indonesia, peningkatan produksi padi untuk memenuhi kebutuhan konsumsi di masa datang menghadapi tantangan yang semakin berat, khususnya akibat dampak buruk perubahan iklim (Candradijaya dkk, 2014).
Gambaran perubahan iklim di masa mendatang dapat digunakan Representative Concentration Pathways (RCP). RCP ini menggantikan skenario sebelumnya Special Reports on Emission Scenario (SRES) dan mempunyai empat skenario yakni RCP2.5, RCP4.5, RCP6.0 dan RCP8.5. Penggunaan skenario bukan bertujuan memprediksi masa depan tapi untuk memahami lebih baik tentang ketidakpastian dan alternatif masa depan (IPCC AR5, 2013).
Penelitian ini menggambarkan proyeksi iklim menggunakan skenario RCP4.5 dengan model MIROC5 dengan resolusi 20 km. RCP4.5 ini merupakan sebuah skenario stabilitas dimana total radiative forcing distabilkan dengan cepat setelah tahun 2100 tanpa melampaui tingkatan target radiative forcing jangka panjang (Wayne, 2013). Keunggulan skenario RCP4.5 yakni sesuai dengan keadaan sekarang dimana ada kebijakan untuk membatasi emisi gas rumah kaca melalui protokol Kyoto. Data model berisi data iklim untuk mensimulasikan
kondisi sekarang (present) periode (2006-2015) sebagai informasi baseline dan proyeksi iklim masa depan periode dekat (2021-2030 dan 2031-2040) yang kemudian digunakan sebagai masukan untuk menghitung model produksi padi. Wilayah Provinsi Jawa Tengah merupakan sentra produksi padi ketiga di Indonesia yang kemudian dipilih sebagai wilayah penelitian.
Pengkajian ini bertujuan agar diperoleh produktivitas tanaman padi secara maksimal baik kualitas maupun kuantitas dengan melihat kemungkinan proyeksi iklim masa depan seperti proyeksi yang telah diskenariokan, diharapkan dapat menggambarkan bagaimana kesesuaian iklim tanaman padi di masa mendatang. Informasi ini penting karena perubahan faktor iklim akan mengubah kesesuaian iklim padi dan berdampak pada produksi padi yang dihasilkan. Oleh karena itu perlu dilakukan penelitian tentang perubahan kesesuaian iklim padi sebagai pendukung dalam perencanaan produksi padi dan penanggulangan perubahan iklim di masa mendatang, pada wilayah Jawa tengah pada khususnya.
2. DATA DAN METODE
Data yang digunakan adalah data observasi curah hujan dari 47 titik pengamatan yang terdiri dari Stasiun pengamatan BMKG dan pos hujan kerjasama. Satu titik mewakili satu zona musim (ZOM). Untuk data suhu udara didapatkan dari penetuan suhu udara berdasarkan ketinggian tempat dengan
menggunakan rumus Braak
(1928):
Th= Th0 – (0,01 x h x 0,6 o C)...(2.1) dimana Th = suhu pendugaan (oC) Th0 = suhu stasiun referensi (o
C) h = ketinggian pos pengamatan (m) dengan stasiun Klimatologi Semarang sebagai stasiun referensi. Sedangkan data model yang digunakan adalah data MIROC5 dari skenario RCP4.5 yang berisi data curah hujan dan suhu udara. Data RCP 4.5 ini merupakan sebuah skenario stabilitas dimana total radiative forcing distabilkan dengan cepat setelah tahun
2100 tanpa melampaui tingkatan target radiative forcing jangka panjang (Wayne, 2013). Data model ini kemudian dibagi menjadi empat periode yaitu periode kini (2006-2015) dan periode dekat (2021-2030 dan 2031-2040).
Curah hujan terkoreksi dihitung berdasarkan persamaan berikut (Weiland dkk, 2010): CHMODEL_KOR=CHMOD× 𝐶𝐻𝑂𝐵𝑆 𝐶𝐻𝑀𝑂𝐷 …………(2.2) dimana:
CH MODEL_KOR : curah hujan bulanan model
setelah dikoreksi
CH MOD : curah hujan bulanan model
sebelum dikoreksi 𝐶𝐻𝑂𝐵𝑆
:rata-rata curah hujan bulanan periode baseline data pengamatan
𝐶𝐻𝑀𝑂𝐷
: rata-rata curah hujan bulanan periode baseline data model Sedangkan untuk suhu udara terkoreksi dihitung berdasarkan persamaan berikut (Weiland dkk, 2010):
TMODEL_KOR=TMOD+(𝑇 -𝑇𝑂𝐵𝑆 )……...(2.3) 𝑀𝑂𝐷
dimana:
T MODEL_KOR : suhu udara bulanan model
setelah dikoreksi
T MOD : suhu udara bulanan model
sebelum dikoreksi 𝑇𝑂𝐵𝑆
: rata-rata suhu udara bulanan periode baseline data pengamatan
𝑇𝑀𝑂𝐷
: rata-rata suhu udara bulanan periode baseline data model Kesesuaian agroklimat menurut Food Agricultural Organization (FAO) (1976), adalah tingkat kecocokan suatu bidang lahan untuk suatu penggunaan tanaman tertentu. Untuk menentukan tingkat kesesuaian lahan dibutuhkan suatu pengklasifikasian. Klasifikasi kesesuaian lahan adalah penilaian dan pengelompokan atau proses penilaian dan pengelompokan lahan dalam arti kesesuaian bagi tanaman tertentu, misalnya kesesuaian untuk tanaman padi. Klasifikasi ini lebih
terperinci dengan spesifikasi faktor pembatas dinilai secara kuantitatif. Dibagi menjadi empat yakni sebagai berikut :
1. Kelas sangat sesuai (Very suitable class) (S1)
Lahan tidak mempunyai pembatas yang berat untuk suatu penggunaan tertentu secara lestari, atau hanya pembatas yang kurang berarti dan tidak mempengaruhi secara nyata terhadap produksi lahan tersebut, serta tidak menambahkan masukan (input) dari yang biasa dilakukan dalam mengusahakan lahan. 2. Kelas cukup sesuai (Adequate suitable class) (S2)
Lahan mempunyai faktor pembatas agak berat. Berpengaruh terhadap produktivitas lahan tersebut, memerlukan tambahan masukan (input). Pembatas tersebut biasanya dapat diatasi oleh petani.
3. Kelas sesuai marginal (Marginaly suitable class) (S3)
Lahan yang mempunyai faktor pembatas sangat berat apabila dipergunakan untuk penggunaan tertentu yang lestari. Faktor pembatas ini akan berpengaruh terhadap produktivitasnya, memerlukan tambahan masukan yang lebih banyak daripada lahan yang tergolong S2. Modal tinggi diperlukan untuk mengatasi faktor pembatas pada S3. 4. Kelas tidak sesuai permanen (N)
Lahan yang mempunyai pembatas sangat berat, sehingga tidak mungkin untuk dipergunakan terhadap suatu penggunaan tertentu yang lestari.
Klasifikasi kesesuaian agroklimat padi dalam penelitian ini menggunakan metode matching yakni didasarkan pada pencocokan antara kriteria kesesuaian lahan dengan data kualitas lahan.
Tabel 1 Pengklasifikasian dan pembobotan
kesesuaian agroklimat tanaman padi Persyaratan Penggunaan/ Karakteristik Lahan Bobot 4 3 2 1 Suhu udara rata-rata tahunan (oC) 24-29 22-24 29-32 18-22 32-35 <18 >35 Curah hujan (mm/tahun) >1500 1200-1500 800-1200 <800 Tipe iklim Oldeman A1,A2 B1, B2,B3 C1, C2, C3 D1, D2, D3, E Ketinggian tempat (m) <500 <750 <1000 >1000 (Sumber : Djaenuddin,dkk., 2003)
Selanjutnya tingkat kesesuaian dilakukan dengan menjumlahkan nilai bobot dari masing masing unsur tersebut sesuai dengan klasifikasinya pada Tabel 2 dibawah ini
Tabel 2 Klasifikasi jumlah bobot
No Jumlah Nilai Bobot Klasifikasi Kesesuaian Agroklimat 1 14-16 S1 2 10-13 S2 3 6-9 S3 4 <6 N (Sumber : Djaenuddin,dkk., 2003)
Gambar 1. Diagram alir
3. HASIL DAN PEMBAHASAN
Analisa kesesuaian agroklimat dalam penelitian ini digunakan parameter curah hujan, suhu udara rata-rata tahunan, tipe iklim Oldeman serta ketinggian. Untuk memperoleh kelas kesesuaian agroklimat tanaman padi maka diperlukan metode pembobotan. Untuk menggambarkan proyeksi masa depannya dibagi menjadi tiga periode yakni periode 2006-2015 sebagai informasi baseline atau mewakili masa kini, periode 2021-2030 dan periode 2031-2040. Perubahan input tiap periode berasal dari semua parameter kecuali faktor ketinggian yang dianggap tetap selama tiap periode.
Berikut adalah hasil klasifikasi agroklimat tanaman padi di Provinsi Jawa Tengah pada tiap periode yang ditunjukan pada Gambar 3,4 dan 5 di bawah ini.
Data RCP 4.5 Data Obs (Curah
Hujan)
Koreksi data model
Data Model Terkoreksi
Pembobotan
Kesesuaian Agroklimat Tanaman Padi (baseline) CH, Suhu, Kriteria iklim Oldeman CH, Suhu, Kriteria iklim Oldeman Topografi (ketinggian) Pembobotan Proyeksi Kesesuaian Agroklimat Tanaman Padi
Perubahan Kesesuaian Agroklimat Tanaman Padi Periode 2021-2030 dan
Gambar 3. Proyeksi kesesuaian lahan baseline 2006-2015
Wilayah Jawa Tengah merupakan wilayah dengan curah hujan yang tinggi dan suhu udara yang cenderung cocok untuk pertumbuhan padi. Pada periode 2006-2015 hampir keseluruhan wilayah Jawa Tengah sangat sesuai (S1) untuk tanaman padi dan hanya beberapa ZOM yakni ZOM 104, 110, 123, 136,144 dan 145 yang cukup sesuai (S2)
untuk tanaman padi (Gambar 3). Masalah yang menyebabkan tidak semua wilayah penelitian sangat sesuai untuk tanaman padi adalah faktor ketinggian wilayah dan suhu udara rata-rata tahunan akibat dari peningkatan ketinggian, sedangkan faktor iklim (curah hujan) sudah sangat mendukung.
Gambar 4. Proyeksi kesesuaian lahan baseline 2021-2030
Dibandingkan dengan periode sebelumnya, gambar di atas, periode 2021-2030 mengalami peningkatan jumlah kesesuaian agroklimat yang sangat sesuai (S1) dan tersisa tiga ZOM (104, 123, dan 144) yang masih cukup sesuai (S2). Ketinggian yang ekstrim ZOM 104, 123 dan 104
merupakan penyebab kelas kesesuaian agroklimatnya tidak berubah jika dibanding tiga ZOM lainnya yang meningkat kelas kesesuaiannya. Penggunaan skenario RCP4.5 yang cenderung meningkat trend-nya merupakan alasan dari berubahnya kelas kesesuaian. Peningkatan suhu pada wilayah
ketinggian sedang menghasilkan penyesuaian kelas yang lebih tinggi/baik, tetapi untuk ketinggian rendah dapat menurunkan kelas kesesuaian karena suhu yang semakin tinggi
(lihat Tabel 1). Kasus di periode ini, peningkatan suhu udara masih ditoleransi sehingga terjadi peningkatan jumlah S2.
Gambar 5. Proyeksi kesesuaian lahan baseline 2031-2040
Hasil plotting kesesuaian agroklimat periode 2031-2040 (Gambar 4.9) menunjukan adanya penambahan S2 dibanding periode sebelumnya. Tingkat kesesuaian ZOM 113 berubah dimana pada dua periode sebelumnya menunjukan kelas S1 dan di periode 2031-2040 menjadi S2. Penyebabnya adalah peningkatan suhu udara rata-rata tahunan. Wilayah ZOM 113 ini merupakan wilayah dataran rendah yang pada dasarnya bersuhu tinggi. Sehingga, peningkatan suhu menyebabkan semakin tingginya suhu sampai di atas batas yang sangat sesuai untuk penanaman padi.
Tabel 1 Presentase tingkat kesesuaian agroklimat
padi Keterangan 2006-2015 2021-2030 2031-2040 S1 87% 94% 91% S2 13% 6% 9% S3 - - - N - - - Total 100% 100% 100%
Tabel 3 menunjukan adalah penyajian tingkat kesesuaian agroklimat tanaman padi dalam persen.Perubahan tingkat
kesesuaian agroklimat di wilayah penelitian disebabkan oleh perubahan suhu udara hasil simulasi. Peningkatan jumlah S1 terjadi di wilayah dataran tinggi yang menunjukan suhu awal lebih rendah atau berada pada kelas rendah (bobot kecil). Sehingga suhu udara periode selanjutnya masuk ke dalam kelas yang lebih tinggi (bobot lebih besar) mempengaruhi jumlah bobot akhir. Sebaliknya, penurunan jumlah S1 pada periode 2031-2040 (ZOM 113) terjadi pada dataran rendah yang pada dasarnya bersuhu tinggi. Karena proyeksi RCP4.5 menunjukan hasil peningkatan suhu udara, suhu udara yang sudah tinggi mnjadi keluar dari ambang batas S1. Inilah yang menyebabkan penurunan jumlah S1 saat periode 2031-2040. Namun jika dibandingkan dengan periode baseline, periode near mengalami perluasan wilayah S1.
4. KESIMPULAN
Hasil penelitian di atas dapat disimpulkan bahwa:
1. Faktor iklim (curah hujan tahunan, suhu rata-rata tahunan dan tipe iklim Oldeman) pada wilayah provinsi Jawa Tengah, baik pada periode 2006-2015, 2021-2030 dan 2031-2040 sangat sesuai untuk penanaman tanaman padi.
2. Kesesuaian agroklimat tanaman padi periode 2006-2015 (baseline) didominasi oleh tingkat kesesuaian sangat sesuai (S1) dan sebagian kecil cukup sesuai (S2) yang meliputi ZOM 104, 110, 123, 136, 144, dan 145.
3. Hasil simulasi proyeksi menunjukan bertambahnya wilayah yang sangat sesuai (S1) pada periode 2021-2030 yakni ZOM 110, 136 dan 145 dan terjadi penurunan pada periode 2031-2040 dari S1 menjadi S2 yakni ZOM 113. Namun jumlah sangat sesuai (S1) pada periode 2031-2040 tetap lebih besar dibandingkan periode 2006-2015.
4. Perubahan dari tiga periode tidak signifikan tetapi menunjukan hasil tingkat kesesuaian agroklimat tanaman padi yang semakin meningkat sehingga tidak menjadi halangan untuk pembudidayaan serta pengembangan sentra produksi padi pada wilayah Jawa tengah.
Simulasi dengan proyeksi RCP4.5
ini memasukan semua parameter dan
dijalankan secara bersamaan sehingga
tidak dapat terdeteksi dengan jelas
parameter
yang paling berpengaruh.
Dipastikan banyak faktor selain keempat
parameter tersebut.
Penggunaan data model tunggal
tidak akan cukup memberikan gambaran
penuh mengenai kondisi iklim masa
depan.
Sehingga
dalam
membuat
penelitian
dampak
perubahan
iklim
diperlukan lebih dari satu data model
untuk
mendapatkan
gambaran
keseluruhan kemungkinan kondisi iklim
masa depan.
DAFTAR PUSTAKA
Braak C. 1928. The Climate of The Netherlands Indies. Proc. Royal Mogn. Meteor.Observ. Batavia, nr. 14. pp. 192.
Djaenudin, D, H., Marwan, H., Subagjo, dan Hidayat, A. 2003. Petunjuk Teknis
Evaluasi Lahan untuk Komoditas Pertanian. Bogor : Balai Penulisan dan Pengembangan Pertanian. Bogor.
FAO. 1976. A Framework for Land Evalution. FAO Soil Buletin No.32. Wageningen : ILRI.
IPCC. 2013. Climate Change 2013: The Physial science Basis. Contribution of WorkingGroup I to the Fifth
Assesment Report if
Intergovermental Panel on Climate Change [ Stocker,T.F, D. Qin, G.-K. Plattner,M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Joshi, N. Prakash, Maharjan, K.L., dan Luni,
Piya. 2011. Effect of Climate Variables on Yield of Major
Food-Crops in Nepal.Journal of
Contemporary IndiaStudies: Space and Society, Hiroshima University Vol.1: 19-26.
Kandari, A.M, Baja, S., Ala, A., dan Kaimuddin. 2013. Agroecological Zoning and Land Suitability Assessment for Maize (Zea Mays L.) Development in Buton Regency, Indonesia. Agriculture, Forestry and Fisheries Vol.2, No.6, 2013,
pp.202-211. Doi:
10.11648/j.aff.20130206.11.
Wayne, G.P. 2013. The Beginner’s Guide to Representative Concentration Pathways. Sceptical Science. http://gpwayne.wordpress.com. Weiland, F. C. S., L. P. H. Van Beek, J. C. J.
Kwadijk, dan M. F. P. Bierkens. 2010. The Ability of A GCM-Forced Hydrological Model to Reproduce Global Discharge Variability. Hydrology and Earth System Science Journal., 14, p. 1595-1621.
LAMPIRAN
Lampiran 1 Daftar wilayah penelitian
Zom Pos Lon Lat Ketinggian (m)
97 Bantarkawung 108,92 -7,21 78 98 Lumbir 108,96 -7,45 79 99 Stamet Cilacap 109,02 -7,72 20 101 Kawunganten 108,86 -7,59 7 102 Banyumas PU 109,28 -7,52 0 103 Jatilawang 109,12 -7,53 21 104 Pulosari 109,27 -7,17 890 105 Jejeg 109,09 -7,17 0 106 Sokawati 109,46 -6,99 0 107 Banjardawa 109,41 -6,92 20 108 Pesayangan 109,16 -6,93 0 109 Staklim Semarang 110,37 -6,98 227 110 Blado SP 109,83 -7,07 530 111 Kandangserang 109,52 -7,12 330 112 Wanadadi 109,63 -7,37 0 113 Kledung SMPK 110,03 -7,33 0 114 Bruno 109,93 -7,58 0 115 Gombong 109,52 -7,60 58 116 Ayah 109,40 -7,72 18 117 Rantewaringin 109,68 -7,75 24 118 Kedungkamal 109,92 -7,79 0 119 Kalimeneng 109,90 -7,66 0 120 Kaliloro Kajoran 110,12 -7,52 0 122 Magelang 110,22 -7,48 0 123 Getas SMPK 110,51 -7,27 1084 124 Rowoseneng 110,16 -7,24 0 125 Merbuh 110,26 -7,07 302 126 Brumbung 110,52 -7,02 0 127 Jatisono 110,73 -6,88 0 128 Bungo 110,61 -6,80 0 129 Cluwak 110,94 -6,54 230 130 Dukuh Seti 111,03 -6,45 6 131 Trangkil 111,10 -6,67 0 132 Jakenan 111,16 -6,76 15 133 Brati PHP 110,87 -7,02 0 134 Purwodadi 110,91 -7,10 0 135 Klego 110,69 -7,36 260 136 Musuk 110,55 -7,53 654 137 Masaran 110,95 -7,47 93 138 Bawak 110,67 -7,76 0
139 Trirejo 110,04 -7,69 0 143 Wuryantoro 110,86 -7,91 0 144 Jatiroto 111,09 -7,88 800 145 Ngadirejo 110,99 -7,85 647 146 Balepanjang 111,12 -7,77 165 147 Butak WD 111,07 -7,20 0 148 Ngaringan 111,17 -7,05 0
Lampiran 2 Perbandingan nilai RMSE model sebelum dan sesudah koreksi
ZOM Model Koreksi
97 184,78 173,35 98 364,7 183,25 99 523 227,78 101 381,23 174,41 102 313,11 138,48 103 313,78 167,46 104 287,86 205,36 105 207,53 163,29 106 222,44 140,03 107 243,95 128,93 108 251,36 156,98 109 221,79 196,31 110 359,25 333,61 111 326,77 271,09 112 258,11 227,38 113 225,45 196,89 114 313,85 277,78 115 244,71 196,43 116 273,29 139,77 117 219,38 170,15 118 233,49 187,38 119 251,45 210,2 120 256,97 208,47 122 263,63 236,77 123 144,62 137,46 124 171,74 157,58 125 216,04 207,73 126 174,92 153,32 127 264,48 126,89 128 255,17 126,73 129 281,5 218,96 130 217,62 136,81 131 206,8 136,42 132 178,72 85,778 133 162,84 124,72 134 150,16 112,29 135 160,03 144,52 136 232,1 197,63 137 151,87 138,39 138 175,29 122,04 139 262,24 203,36 143 153,09 138,03 144 161,64 157,91 145 216,96 212,78 146 278,51 261,14 147 155,08 121,96 148 136,42 113,47
